ವಿಶೇಷ ಲೇಖನ :
ಶಶಿಧರ್ ರಾವ್
ತಂತ್ರಜ್ಞಾನ ಹಾಗೂ ಉನ್ನತ ಶಿಕ್ಷಣ ಕ್ಷೇತ್ರಗಳ ಹಿರಿಯ ತಜ್ಞರು ಮತ್ತು ಸಲಹೆಗಾರರು
ಬೆಂಗಳೂರು / ಚಿತ್ರದುರ್ಗ
ಮೊ : 91083 20131
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಆಧಾರಿತ ಸ್ವಯಂಚಾಲಿತ ವಾಹನಗಳು (Self-driving cars) ಕೇವಲ ಯಂತ್ರಗಳಲ್ಲ; ಅವು ರೊಬೊಟಿಕ್ಸ್, ಅತ್ಯಾಧುನಿಕ ಸೆನ್ಸಾರ್ ತಂತ್ರಜ್ಞಾನ ಮತ್ತು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ಗಳ ಅತ್ಯಂತ ಸಂಕೀರ್ಣವಾದ ಸಂಯೋಜನೆಯಾಗಿವೆ.
ಒಂದು ಸ್ವಯಂಚಾಲಿತ ವಾಹನವು ಮಾನವ ಚಾಲಕನಂತೆಯೇ ಪರಿಸರವನ್ನು ಗ್ರಹಿಸಿ, ವಿಶ್ಲೇಷಿಸಿ, ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಪ್ರಕ್ರಿಯೆಯ ತಾಂತ್ರಿಕ ವಿವರಣೆ ಇಲ್ಲಿದೆ:
1. ಗ್ರಹಿಕೆ ಮತ್ತು ಸೆನ್ಸಾರ್ ವ್ಯವಸ್ಥೆಗಳು (Perception & Sensors)
ವಾಹನವು ತನ್ನ ಸುತ್ತಲಿನ ಪ್ರಪಂಚವನ್ನು “ನೋಡಲು” ಮತ್ತು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ವಿವಿಧ ಸೆನ್ಸಾರ್ಗಳನ್ನು ಅವಲಂಬಿಸಿದೆ:
ಕ್ಯಾಮೆರಾಗಳು (Cameras): ಇವು ವಾಹನದ ಸುತ್ತಲಿನ 360-ಡಿಗ್ರಿ ದೃಶ್ಯವನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತವೆ. ಟ್ರಾಫಿಕ್ ದೀಪಗಳ ಬಣ್ಣ, ರಸ್ತೆ ಚಿಹ್ನೆಗಳು (Stop signs, Speed limits) ಮತ್ತು ಪಾದಚಾರಿಗಳನ್ನು ಗುರುತಿಸಲು ‘ಕಂಪ್ಯೂಟರ್ ವಿಷನ್’ (Computer Vision) ಅಲ್ಗಾರಿದಮ್ಗಳು ಈ ವಿಡಿಯೋ ಫೀಡ್ ಅನ್ನು ಬಳಸುತ್ತವೆ.
ಲೈಡಾರ್ (LiDAR – Light Detection and Ranging): ಇದು ವಾಹನದ ಮೇಲ್ಭಾಗದಲ್ಲಿ ತಿರುಗುವ ಸಾಧನವಾಗಿದ್ದು, ಲಕ್ಷಾಂತರ ಲೇಸರ್ ಕಿರಣಗಳನ್ನು ಹೊರಸೂಸುತ್ತದೆ. ಈ ಕಿರಣಗಳು ವಸ್ತುಗಳಿಗೆ ಬಡಿದು ಹಿಂತಿರುಗುವ ಸಮಯವನ್ನು ಲೆಕ್ಕಹಾಕಿ, ವಾಹನದ ಸುತ್ತಲಿನ ಪರಿಸರದ ಅತ್ಯಂತ ನಿಖರವಾದ 3D ನಕ್ಷೆಯನ್ನು (Point Cloud) ರಚಿಸುತ್ತದೆ. ಆಕಾರ ಮತ್ತು ಆಳವನ್ನು ಅಳೆಯಲು ಇದು ನಿರ್ಣಾಯಕವಾಗಿದೆ.
ರೇಡಾರ್ (Radar): ರೇಡಿಯೋ ತರಂಗಗಳನ್ನು ಬಳಸಿ ದೂರದಲ್ಲಿರುವ ವಸ್ತುಗಳ ವೇಗ ಮತ್ತು ಅಂತರವನ್ನು ಅಳೆಯುತ್ತದೆ. ಕ್ಯಾಮೆರಾ ಮತ್ತು ಲೈಡಾರ್ಗಳು ವಿಫಲವಾಗಬಹುದಾದ ಮಂಜು, ಧೂಳು ಅಥವಾ ಭಾರಿ ಮಳೆಯಂತಹ ಪ್ರತಿಕೂಲ ಹವಾಮಾನದಲ್ಲಿಯೂ ರೇಡಾರ್ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.
ಅಲ್ಟ್ರಾಸಾನಿಕ್ ಸೆನ್ಸಾರ್ಗಳು
(Ultrasonic Sensors): ಇವುಗಳನ್ನು ವಾಹನದ ಬಂಪರ್ಗಳಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿದ್ದು, ಪಾರ್ಕಿಂಗ್ ಮಾಡುವಾಗ ಅಥವಾ ಕಡಿಮೆ ವೇಗದಲ್ಲಿ ಚಲಿಸುವಾಗ ಅತ್ಯಂತ ಸಮೀಪವಿರುವ ಅಡೆತಡೆಗಳನ್ನು ಗುರುತಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ.
2. ಸೆನ್ಸಾರ್ ಫ್ಯೂಷನ್ (Sensor Fusion)
ಯಾವುದೇ ಒಂದು ಸೆನ್ಸಾರ್ ಪರಿಪೂರ್ಣವಲ್ಲ (ಉದಾಹರಣೆಗೆ, ಕ್ಯಾಮೆರಾಗಳಿಗೆ ಬೆಳಕು ಬೇಕು, ರೇಡಾರ್ಗೆ ಆಕಾರ ಗುರುತಿಸಲು ಕಷ್ಟ). ಆದ್ದರಿಂದ, ವಾಹನದ ಮಿದುಳಾಗಿರುವ AI ವ್ಯವಸ್ಥೆಯು ಕ್ಯಾಮೆರಾ, ಲೈಡಾರ್ ಮತ್ತು ರೇಡಾರ್ಗಳಿಂದ ಬರುವ ಅಪಾರ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ನೈಜ ಸಮಯದಲ್ಲಿ ಒಟ್ಟುಗೂಡಿಸುತ್ತದೆ. ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ‘ಸೆನ್ಸಾರ್ ಫ್ಯೂಷನ್’ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಇದು ಪರಿಸರದ ಬಗ್ಗೆ ಯಾವುದೇ ದೋಷವಿಲ್ಲದ, ನಿಖರವಾದ ಮತ್ತು ಸಮಗ್ರವಾದ ಚಿತ್ರಣವನ್ನು ಒದಗಿಸುತ್ತದೆ.
3. ಸ್ಥಳೀಕರಣ ಮತ್ತು ಮ್ಯಾಪಿಂಗ್ (Localization and Mapping)
ವಾಹನವು ಪ್ರಪಂಚದಲ್ಲಿ ನಿಖರವಾಗಿ ಎಲ್ಲಿದೆ ಎಂಬುದನ್ನು ತಿಳಿಯುವುದು ಅತ್ಯಗತ್ಯ.
ಸಾಮಾನ್ಯ GPS ಕೇವಲ ಕೆಲ ಮೀಟರ್ಗಳಷ್ಟು ನಿಖರತೆಯನ್ನು ನೀಡುತ್ತದೆ, ಆದರೆ ಸ್ವಯಂಚಾಲಿತ ವಾಹನಗಳಿಗೆ ಸೆಂಟಿಮೀಟರ್ ಮಟ್ಟದ ನಿಖರತೆ ಬೇಕು.
ಇದಕ್ಕಾಗಿ ವಾಹನಗಳು ಮೊದಲೇ ರಚಿಸಲಾದ ಹೈ-ಡೆಫಿನಿಷನ್ (HD) ನಕ್ಷೆಗಳನ್ನು ಬಳಸುತ್ತವೆ.
SLAM (Simultaneous Localization and Mapping) ಎಂಬ ತಂತ್ರಜ್ಞಾನವನ್ನು ಬಳಸಿ, ವಾಹನವು ತನ್ನ ಸೆನ್ಸಾರ್ ಡೇಟಾವನ್ನು HD ನಕ್ಷೆಯೊಂದಿಗೆ ಹೋಲಿಸಿ, ಲೇನ್ಗಳು ಮತ್ತು ರಸ್ತೆಯ ಅಂಚುಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ತನ್ನ ನಿಖರವಾದ ಸ್ಥಾನವನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತದೆ.
4. ಮುನ್ಸೂಚನೆ ಮತ್ತು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆ (Prediction and Decision Making)
ಇದು ವಾಹನದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಅತ್ಯಂತ ಸಂಕೀರ್ಣ ಭಾಗವಾಗಿದೆ.
ಮುನ್ಸೂಚನೆ (Prediction): ಡೀಪ್ ಲರ್ನಿಂಗ್ (Deep Learning) ಮತ್ತು ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು (CNNs) ರಸ್ತೆಯಲ್ಲಿರುವ ಇತರ ವಸ್ತುಗಳನ್ನು (ಕಾರುಗಳು, ಸೈಕಲ್ಗಳು, ಮನುಷ್ಯರು, ಪ್ರಾಣಿಗಳು) ಗುರುತಿಸುತ್ತವೆ. ನಂತರ ವಾಹನವು ಆ ಪ್ರತಿಯೊಂದು ವಸ್ತುಗಳ ಮುಂದಿನ 3-5 ಸೆಕೆಂಡುಗಳ ಚಲನೆಯನ್ನು ಊಹಿಸುತ್ತದೆ (ಉದಾಹರಣೆಗೆ: ಪಾದಚಾರಿಯೊಬ್ಬರು ರಸ್ತೆ ದಾಟುತ್ತಾರೆಯೇ? ಅಥವಾ ಮುಂದಿನ ಕಾರು ಬ್ರೇಕ್ ಹಾಕಲಿದೆಯೇ?).
ಮಾರ್ಗ ಯೋಜನೆ (Path Planning): ಸುರಕ್ಷತೆ, ವೇಗದ ಮಿತಿಗಳು, ಸಂಚಾರ ನಿಯಮಗಳು ಮತ್ತು ಪ್ರಯಾಣಿಕರ ಆರಾಮವನ್ನು ಗಮನದಲ್ಲಿಟ್ಟುಕೊಂಡು, ವಾಹನವು ಚಲಿಸಬೇಕಾದ ಅತ್ಯುತ್ತಮ ಹಾಗೂ ಸುರಕ್ಷಿತ ಮಾರ್ಗವನ್ನು (Trajectory) ಅಲ್ಗಾರಿದಮ್ಗಳು ಲೆಕ್ಕಹಾಕುತ್ತವೆ.
5. ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆ (Control and Actuation)
ನಿರ್ಧಾರವನ್ನು ತೆಗೆದುಕೊಂಡ ನಂತರ, ಭೌತಿಕ ವಾಹನವನ್ನು ಚಲಾಯಿಸಬೇಕಾಗುತ್ತದೆ.
AI ವ್ಯವಸ್ಥೆಯು ವಾಹನದ ‘ಡ್ರೈವ್-ಬೈ-ವೈರ್’ (Drive-by-wire) ವ್ಯವಸ್ಥೆಗೆ ಡಿಜಿಟಲ್ ಸಿಗ್ನಲ್ಗಳನ್ನು ಕಳುಹಿಸುತ್ತದೆ.
ಈ ಸಿಗ್ನಲ್ಗಳು ನಿಖರವಾದ ಕೋನದಲ್ಲಿ ಸ್ಟೀರಿಂಗ್ ತಿರುಗಿಸಲು (Steering), ವೇಗವನ್ನು ಹೆಚ್ಚಿಸಲು (Acceleration) ಅಥವಾ ತಡೆಯಲು (Braking) ಮೋಟಾರ್ಗಳು ಮತ್ತು ಆಕ್ಯೂವೇಟರ್ಗಳಿಗೆ (Actuators) ಸೂಚನೆ ನೀಡುತ್ತವೆ.
ಈ ಸಂಪೂರ್ಣ ಪ್ರಕ್ರಿಯೆಯು (ಗ್ರಹಿಕೆಯಿಂದ ನಿಯಂತ್ರಣದವರೆಗೆ) ಸೆಕೆಂಡಿಗೆ ಹತ್ತಾರು ಬಾರಿ ನಡೆಯುತ್ತಿರುತ್ತದೆ, ಇದರಿಂದ ವಾಹನವು ನಿರಂತರವಾಗಿ ಬದಲಾಗುವ ರಸ್ತೆಯ ಪರಿಸ್ಥಿತಿಗಳಿಗೆ ತಕ್ಷಣವೇ ಪ್ರತಿಕ್ರಿಯಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
ಸ್ವಯಂಚಾಲಿತ ವಾಹನಗಳ ಹಿಂದಿರುವ ‘ಮೆದುಳು’ ಎಂದರೆ ಡೀಪ್ ಲರ್ನಿಂಗ್ (Deep Learning) ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ (Computer Vision) ತಂತ್ರಜ್ಞಾನಗಳು. ಇವು ಕ್ಯಾಮೆರಾ ಮತ್ತು ಸೆನ್ಸಾರ್ಗಳಿಂದ ಬರುವ ಅಪಾರ ಡೇಟಾವನ್ನು ಹೇಗೆ ವಿಶ್ಲೇಷಿಸುತ್ತವೆ ಎಂಬುದರ ತಾಂತ್ರಿಕ ನೋಟ ಇಲ್ಲಿದೆ:
1. ಕಂಪ್ಯೂಟರ್ ವಿಷನ್: ಕಣ್ಣುಗಳಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಅಲ್ಗಾರಿದಮ್ಗಳು
ಕ್ಯಾಮೆರಾಗಳು ಸೆರೆಹಿಡಿಯುವ ದೃಶ್ಯಗಳನ್ನು ಕೇವಲ ಚಿತ್ರಗಳಾಗಿ ನೋಡದೆ, ಅದರಲ್ಲಿರುವ ಪ್ರತಿಯೊಂದು ಅಂಶವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಈ ಕೆಳಗಿನ ತಂತ್ರಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ:
ವಸ್ತುಗಳ ಪತ್ತೆಹಚ್ಚುವಿಕೆ (Object Detection): ರಸ್ತೆಯಲ್ಲಿರುವ ಕಾರುಗಳು, ಪಾದಚಾರಿಗಳು, ಪ್ರಾಣಿಗಳು, ಟ್ರಾಫಿಕ್ ಸಿಗ್ನಲ್ಗಳು ಮತ್ತು ರಸ್ತೆ ಚಿಹ್ನೆಗಳನ್ನು ಗುರುತಿಸಲು ಇದನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
ಬಳಸುವ ಅಲ್ಗಾರಿದಮ್ಗಳು:
YOLO (You Only Look Once) ಮತ್ತು SSD (Single Shot MultiBox Detector). ಇವುಗಳ ವಿಶೇಷತೆ ಏನೆಂದರೆ, ಇವು ಚಿತ್ರವನ್ನು ಒಂದೇ ಬಾರಿಗೆ ಸ್ಕ್ಯಾನ್ ಮಾಡಿ, ಅತ್ಯಂತ ವೇಗವಾಗಿ (ನೈಜ ಸಮಯದಲ್ಲಿ ಅಥವಾ Real-time) ವಸ್ತುಗಳನ್ನು ಗುರುತಿಸುತ್ತವೆ.
ಸಿಮ್ಯಾಂಟಿಕ್ ಸೆಗ್ಮೆಂಟೇಶನ್ (Semantic Segmentation): ಇದು ಕೇವಲ ವಸ್ತುವನ್ನು ಗುರುತಿಸುವುದಿಲ್ಲ, ಬದಲಿಗೆ ಕ್ಯಾಮೆರಾ ಚಿತ್ರದ ಪ್ರತಿಯೊಂದು ‘ಪಿಕ್ಸೆಲ್’ (Pixel) ಅನ್ನು ವರ್ಗೀಕರಿಸುತ್ತದೆ. ಇದರಿಂದ ವಾಹನಕ್ಕೆ “ಇದು ರಸ್ತೆ, ಇದು ಫುಟ್ಪಾತ್, ಇದು ಆಕಾಶ, ಇದು ಮರ” ಎಂಬ ಸ್ಪಷ್ಟವಾದ ಗಡಿರೇಖೆಗಳು ತಿಳಿಯುತ್ತವೆ.
ಬಳಸುವ ಮಾದರಿಗಳು: U-Net ಮತ್ತು Mask R-CNN ನಂತಹ ನೆಟ್ವರ್ಕ್ಗಳು ರಸ್ತೆಯ ನಿಖರವಾದ ಆಕಾರವನ್ನು ಸೆರೆಹಿಡಿಯಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ.
ಲೇನ್ ಡಿಟೆಕ್ಷನ್ (Lane Detection): ರಸ್ತೆಯ ಮೇಲಿರುವ ಬಿಳಿ ಅಥವಾ ಹಳದಿ ಗೆರೆಗಳನ್ನು (Lane lines) ನಿಖರವಾಗಿ ಗುರುತಿಸಿ, ವಾಹನವು ತನ್ನ ಪಥವನ್ನು ಬಿಟ್ಟು ಹೋಗದಂತೆ ನೋಡಿಕೊಳ್ಳುವ ತಂತ್ರಜ್ಞಾನವಿದು.
2. ಡೀಪ್ ಲರ್ನಿಂಗ್: ಯೋಚಿಸುವ ಮತ್ತು ಕಲಿಯುವ ಕೃತಕ ನರಮಂಡಲಗಳು
ಮಾನವನ ಮೆದುಳಿನ ರಚನೆಯಿಂದ ಪ್ರೇರಿತವಾದ ಕೃತಕ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು (Artificial Neural Networks) ಇಲ್ಲಿ ಪ್ರಮುಖ ಪಾತ್ರ ವಹಿಸುತ್ತವೆ:
ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು (CNNs): ಇವು ಇಮೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್ಗೆ ಹೇಳಿ ಮಾಡಿಸಿದ ಮಾದರಿಗಳು. ಕ್ಯಾಮೆರಾ ಚಿತ್ರಗಳಿಂದ ಅಂಚುಗಳು (edges), ಬಣ್ಣಗಳು ಮತ್ತು ಆಕಾರಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು CNN ಗಳನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ.
ರಿಕರೆಂಟ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ಮತ್ತು LSTMs (RNNs & Long Short-Term Memory): ಕ್ಯಾಮೆರಾಗಳು ಕೇವಲ ಸ್ಥಿರ ಚಿತ್ರಗಳನ್ನಲ್ಲ, ಬದಲಾಗಿ ನಿರಂತರ ವಿಡಿಯೋವನ್ನು ನೀಡುತ್ತವೆ. ಅಂದರೆ ಇಲ್ಲಿ ‘ಸಮಯ’ (Time) ಬಹಳ ಮುಖ್ಯ. ಉದಾಹರಣೆಗೆ, ರಸ್ತೆ ದಾಟುತ್ತಿರುವ ಮನುಷ್ಯನ ವೇಗ ಮತ್ತು ದಿಕ್ಕನ್ನು ಆಧರಿಸಿ, “ಮುಂದಿನ 3 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಆತ ಎಲ್ಲಿರುತ್ತಾನೆ?” ಎಂಬುದನ್ನು ಊಹಿಸಲು (Trajectory prediction) RNN ಮತ್ತು LSTM ಮಾದರಿಗಳು ಸಹಾಯ ಮಾಡುತ್ತವೆ.
ರೀಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್ (Reinforcement Learning – ಬಲವರ್ಧನೆಯ ಕಲಿಕೆ): ಇದು ಬಹುಮಾನ ಮತ್ತು ಶಿಕ್ಷೆಯ (Reward and Punishment) ಆಧಾರದ ಮೇಲೆ ಕಲಿಯುವ ವಿಧಾನವಾಗಿದೆ. ರಸ್ತೆಯಲ್ಲಿ ಹೇಗೆ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಬೇಕು (ಯಾವಾಗ ಓವರ್ಟೇಕ್ ಮಾಡಬೇಕು, ಯಾವಾಗ ಬ್ರೇಕ್ ಹಾಕಬೇಕು) ಎಂಬುದನ್ನು ಲಕ್ಷಾಂತರ ಗಂಟೆಗಳ ಕಂಪ್ಯೂಟರ್ ಸಿಮ್ಯುಲೇಶನ್ ಮೂಲಕ ವಾಹನಗಳು ತಾವಾಗಿಯೇ ಕಲಿಯುತ್ತವೆ.
3. ಎಡ್ಜ್ ಕಂಪ್ಯೂಟಿಂಗ್ (Edge Computing)
ಇಷ್ಟೆಲ್ಲಾ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಮಾಡಲು ವಾಹನವು ಕ್ಲೌಡ್ಗೆ (ಇಂಟರ್ನೆಟ್) ಕನೆಕ್ಟ್ ಆಗಿ ಉತ್ತರಕ್ಕಾಗಿ ಕಾಯಲು ಸಾಧ್ಯವಿಲ್ಲ; ಏಕೆಂದರೆ ಅರ್ಧ ಸೆಕೆಂಡ್ ತಡವಾದರೂ ಅಪಘಾತವಾಗಬಹುದು. ಆದ್ದರಿಂದ, ಪ್ರತಿ ಸ್ವಯಂಚಾಲಿತ ವಾಹನದೊಳಗೆ ಶಕ್ತಿಯುತವಾದ GPU ಗಳು (Graphics Processing Units) ಮತ್ತು ವಿಶೇಷ AI ಚಿಪ್ಗಳನ್ನು ಅಳವಡಿಸಲಾಗಿರುತ್ತದೆ. ಇದು ಡೇಟಾವನ್ನು ವಾಹನದೊಳಗೆಯೇ ಮಿಲಿಸೆಕೆಂಡ್ಗಳಲ್ಲಿ ಪ್ರೊಸೆಸ್ ಮಾಡುತ್ತದೆ.
ಸ್ವಯಂಚಾಲಿತ ವಾಹನಗಳ ಹಿಂದಿರುವ ಈ ಅತ್ಯಾಧುನಿಕ ತಂತ್ರಜ್ಞಾನವು ಎಷ್ಟೇ ಶಕ್ತಿಶಾಲಿಯಾಗಿದ್ದರೂ, ಅದನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು ವಿಶೇಷವಾದ ಹಾರ್ಡ್ವೇರ್ ಮತ್ತು ಅದು ಎದುರಿಸುತ್ತಿರುವ ನೈತಿಕ ಸವಾಲುಗಳ ಬಗ್ಗೆ ತಿಳಿಯುವುದು ಅತ್ಯಂತ ಆಸಕ್ತಿದಾಯಕವಾಗಿದೆ.
1. ಹಾರ್ಡ್ವೇರ್: ವಾಹನದೊಳಗಿನ ಶಕ್ತಿಶಾಲಿ ಕಂಪ್ಯೂಟರ್ (Hardware & Edge Computing)
ಕ್ಯಾಮೆರಾ, ಲೈಡಾರ್ ಮತ್ತು ರೇಡಾರ್ಗಳಿಂದ ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ ಗಿಗಾಬೈಟ್ಗಟ್ಟಲೆ ಡೇಟಾ ಉತ್ಪತ್ತಿಯಾಗುತ್ತದೆ. ಈ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸಿ ಮೈಕ್ರೋ-ಸೆಕೆಂಡ್ಗಳಲ್ಲಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಲು ಸಾಮಾನ್ಯ ಕಂಪ್ಯೂಟರ್ಗಳಿಂದ ಸಾಧ್ಯವಿಲ್ಲ.
GPUs (Graphics Processing Units): ವಿಡಿಯೋ ಗೇಮ್ಗಳಿಗಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾದ ಈ ಚಿಪ್ಗಳು, ಏಕಕಾಲದಲ್ಲಿ ಲಕ್ಷಾಂತರ ಸಣ್ಣ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು (Parallel processing) ಮಾಡುವ ಅಗಾಧ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿವೆ. ಕ್ಯಾಮೆರಾದಿಂದ ಬರುವ ವಿಡಿಯೋ ಫೀಡ್ ಅನ್ನು ನೈಜ ಸಮಯದಲ್ಲಿ ವಿಶ್ಲೇಷಿಸಿ ಅದರಲ್ಲಿರುವ ವಸ್ತುಗಳನ್ನು ಗುರುತಿಸಲು GPU ಗಳು ಅತ್ಯಗತ್ಯ (ಉದಾಹರಣೆಗೆ: NVIDIA DRIVE ವ್ಯವಸ್ಥೆಗಳು).
TPUs ಮತ್ತು NPUs (Tensor/Neural Processing Units): ಇವು ಕೇವಲ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಮತ್ತು ಡೀಪ್ ಲರ್ನಿಂಗ್ (Deep Learning) ಮಾದರಿಗಳನ್ನು ಚಲಾಯಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ವಿಶೇಷ ಚಿಪ್ಗಳು. ಇವು ಕಡಿಮೆ ವಿದ್ಯುತ್ ಬಳಸಿ, ಅತ್ಯಂತ ವೇಗವಾಗಿ ಮತ್ತು ನಿಖರವಾಗಿ AI ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸುತ್ತವೆ.
ಎಡ್ಜ್ ಕಂಪ್ಯೂಟಿಂಗ್ (Edge Computing): ವಾಹನವು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಲು ಇಂಟರ್ನೆಟ್ ಮೂಲಕ ಡೇಟಾವನ್ನು ಕ್ಲೌಡ್ಗೆ (ಸರ್ವರ್ಗೆ) ಕಳುಹಿಸಿ, ಉತ್ತರಕ್ಕಾಗಿ ಕಾಯಲು ಸಾಧ್ಯವಿಲ್ಲ; ಏಕೆಂದರೆ ಅರ್ಧ ಸೆಕೆಂಡ್ ವಿಳಂಬವಾದರೂ ಅಪಘಾತವಾಗಬಹುದು. ಆದ್ದರಿಂದ, ಎಲ್ಲಾ ಡೇಟಾ ಪ್ರೊಸೆಸಿಂಗ್ ವಾಹನದೊಳಗೇ (ಸ್ಥಳೀಯವಾಗಿ) ನಡೆಯುತ್ತದೆ. ಇದಕ್ಕೆ ‘ಎಡ್ಜ್ ಕಂಪ್ಯೂಟಿಂಗ್’ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಇದು ವಿಳಂಬವನ್ನು (Latency) ಸಂಪೂರ್ಣವಾಗಿ ಶೂನ್ಯಕ್ಕೆ ಇಳಿಸುತ್ತದೆ.
2. ನೈತಿಕ ಮತ್ತು ಸುರಕ್ಷತಾ ಸವಾಲುಗಳು (Ethical & Safety Challenges)
ತಾಂತ್ರಿಕವಾಗಿ ವಾಹನಗಳು ಎಷ್ಟೇ ಮುಂದುವರಿದಿದ್ದರೂ, ನೈಜ ಪ್ರಪಂಚದಲ್ಲಿ ಅವನ್ನು ಓಡಿಸಲು ಇಂದಿಗೂ ಹಲವಾರು ತೊಡಕುಗಳಿವೆ:
ಟ್ರಾಲಿಯ ಸಮಸ್ಯೆ (The Trolley Problem – ನೈತಿಕ ಗೊಂದಲ): ಅಪಘಾತವೊಂದು ಅನಿವಾರ್ಯವಾದಾಗ AI ಏನು ಮಾಡಬೇಕು? ಉದಾಹರಣೆಗೆ: ರಸ್ತೆ ದಾಟುತ್ತಿರುವ ಮೂರು ಮಕ್ಕಳನ್ನು ಉಳಿಸಲು ವಾಹನವು ತನ್ನ ಪಥವನ್ನು ಬದಲಿಸಿ ಗೋಡೆಗೆ ಡಿಕ್ಕಿ ಹೊಡೆದು ಒಳಗಿರುವ ಪ್ರಯಾಣಿಕರ ಜೀವವನ್ನು ಅಪಾಯಕ್ಕೆ ತಳ್ಳಬೇಕೆ? ಇಂತಹ ಸೂಕ್ಷ್ಮ ನೈತಿಕ ನಿರ್ಧಾರಗಳನ್ನು ಪ್ರೋಗ್ರಾಮ್ ಮಾಡುವುದು ಅತ್ಯಂತ ಕಷ್ಟಕರ.
ಅನಿರೀಕ್ಷಿತ ಸನ್ನಿವೇಶಗಳು (Edge Cases): AI ವ್ಯವಸ್ಥೆಗಳು ಲಕ್ಷಾಂತರ ಗಂಟೆಗಳ ಡೇಟಾವನ್ನು ಕಲಿಯುತ್ತವೆ, ಆದರೆ ನೈಜ ಜಗತ್ತು ಊಹಿಸಲು ಅಸಾಧ್ಯ. ರಸ್ತೆಯಲ್ಲಿ ಹಾರುತ್ತಿರುವ ಪ್ಲಾಸ್ಟಿಕ್ ಕವರ್ ಅನ್ನು ಬಂಡೆಯೆಂದು ತಪ್ಪಾಗಿ ಭಾವಿಸಿ ದಿಢೀರ್ ಬ್ರೇಕ್ ಹಾಕುವುದು, ಅಥವಾ ಸಂಕೀರ್ಣವಾದ ನಿರ್ಮಾಣ ಪ್ರದೇಶಗಳಲ್ಲಿ (Construction zones) ದಾರಿ ಹುಡುಕುವುದು ಇಂದಿಗೂ ದೊಡ್ಡ ಸವಾಲಾಗಿದೆ.
ಸೈಬರ್ ಭದ್ರತೆ (Cybersecurity): ಈ ವಾಹನಗಳು ಸಂಪೂರ್ಣವಾಗಿ ಸಾಫ್ಟ್ವೇರ್ ಮತ್ತು ನೆಟ್ವರ್ಕ್ ಆಧಾರಿತವಾಗಿರುವುದರಿಂದ, ಹ್ಯಾಕರ್ಗಳು ವಾಹನದ ನಿಯಂತ್ರಣವನ್ನು ತಮ್ಮ ಕೈಗೆ ತೆಗೆದುಕೊಳ್ಳುವ ಅಥವಾ ಸೆನ್ಸಾರ್ಗಳನ್ನು ಗೊಂದಲಕ್ಕೀಡುಮಾಡುವ ಅಪಾಯವಿರುತ್ತದೆ. ವಾಹನಗಳ ಡೇಟಾ ಸುರಕ್ಷತೆ ಇಲ್ಲಿ ಅತಿಮುಖ್ಯವಾಗುತ್ತದೆ.
ಕಾನೂನು ಹೊಣೆಗಾರಿಕೆ (Legal Liability): ಸ್ವಯಂಚಾಲಿತ ವಾಹನವೊಂದು ಅಪಘಾತ ಮಾಡಿದರೆ ಅದರ ಹೊಣೆ ಯಾರದ್ದು? ಕಾರಿನಲ್ಲಿ ಕುಳಿತಿದ್ದ ಪ್ರಯಾಣಿಕನದ್ದೇ, ಸಾಫ್ಟ್ವೇರ್ ಬರೆದ ಕಂಪನಿಯದ್ದೇ ಅಥವಾ ಕಾರು ತಯಾರಕರದ್ದೇ? ಈ ಬಗ್ಗೆ ಜಗತ್ತಿನಾದ್ಯಂತ ಇನ್ನೂ ಸ್ಪಷ್ಟವಾದ ಕಾನೂನು ಚೌಕಟ್ಟುಗಳು ರೂಪುಗೊಳ್ಳಬೇಕಿದೆ.
ಭಾರತದ ರಸ್ತೆಗಳಲ್ಲಿ ಸ್ವಯಂಚಾಲಿತ ವಾಹನಗಳನ್ನು ಓಡಿಸುವುದು: ಜಾಗತಿಕ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಮತ್ತು ರೊಬೊಟಿಕ್ಸ್ ಕ್ಷೇತ್ರ ಎದುರಿಸುತ್ತಿರುವ ಅತಿದೊಡ್ಡ ಹಾಗೂ ಅತ್ಯಂತ ಸಂಕೀರ್ಣವಾದ ಪರೀಕ್ಷೆಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಅಮೆರಿಕಾ ಅಥವಾ ಯುರೋಪ್ನ ರಸ್ತೆಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಭಾರತದ ಟ್ರಾಫಿಕ್ ವ್ಯವಸ್ಥೆ ಸಂಪೂರ್ಣ ಭಿನ್ನವಾಗಿದೆ.
ಇಲ್ಲಿನ ಪ್ರಮುಖ ಸವಾಲುಗಳು ಹೀಗಿವೆ:
1. ಅಸ್ತವ್ಯಸ್ತವಾದ ಮತ್ತು ವೈವಿಧ್ಯಮಯ ಸಂಚಾರ (Unpredictable & Diverse Traffic)
ಪಾಶ್ಚಿಮಾತ್ಯ ದೇಶಗಳಲ್ಲಿ ರಸ್ತೆಯಲ್ಲಿ ಬಹುತೇಕ ಕಾರುಗಳು ಅಥವಾ ಬಸ್ಗಳು ಮಾತ್ರ ಇರುತ್ತವೆ. ಆದರೆ ಭಾರತದ ರಸ್ತೆಗಳಲ್ಲಿ ಅನೇಕ ಸಂದರ್ಭದಲ್ಲಿ ಕಾರುಗಳ ಜೊತೆಗೆ ದ್ವಿಚಕ್ರ ವಾಹನಗಳು, ಆಟೋರಿಕ್ಷಾಗಳು, ಸೈಕಲ್ಗಳು, ಟ್ರಾಕ್ಟರ್ಗಳು, ಟ್ರಕ್ ಗಳು, ಪಾದಚಾರಿಗಳು ಹಾಗೂ ಅನೇಕ ಸಂದರ್ಭದಲ್ಲಿ ರಸ್ತೆಯಲ್ಲಿ ಪ್ರಾಣಿಗಳು ಚಲಿಸುತ್ತಿರುತ್ತವೆ.
AI ಗೆ ಸವಾಲು: ಇಷ್ಟೊಂದು ವಿಭಿನ್ನ ಆಕಾರದ, ವಿಭಿನ್ನ ವೇಗದಲ್ಲಿ ಚಲಿಸುವ ವಸ್ತುಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಗುರುತಿಸುವುದು (Object Detection) ಮತ್ತು ಅವುಗಳ ಮುಂದಿನ ಚಲನೆಯನ್ನು ನಿಖರವಾಗಿ ಊಹಿಸುವುದು (Trajectory prediction) ಡೀಪ್ ಲರ್ನಿಂಗ್ ಮಾದರಿಗಳಿಗೆ ಅತ್ಯಂತ ಕಷ್ಟಕರವಾಗಿದೆ.
2. ಮೂಲಸೌಕರ್ಯ ಮತ್ತು ನಕ್ಷೆಗಳ ಕೊರತೆ (Infrastructure & Mapping Issues)
ಸ್ವಯಂಚಾಲಿತ ವಾಹನಗಳು ಸುರಕ್ಷಿತವಾಗಿ ಚಲಿಸಲು ರಸ್ತೆಯ ಮೇಲಿರುವ ಬಿಳಿ/ಹಳದಿ ಗೆರೆಗಳು (Lane markings), ಸ್ಪಷ್ಟವಾದ ಟ್ರಾಫಿಕ್ ಚಿಹ್ನೆಗಳು ಮತ್ತು ಹೈ-ಡೆಫಿನಿಷನ್ (HD) 3D ನಕ್ಷೆಗಳನ್ನು ಅವಲಂಬಿಸಿವೆ.
ಭಾರತದ ಸನ್ನಿವೇಶ: ನಮ್ಮಲ್ಲಿ ಹಲವು ಕಡೆ ಸ್ಪಷ್ಟವಾದ ಲೇನ್ಗಳಿಲ್ಲ, ಹವಾಮಾನಕ್ಕೆ ತಕ್ಕಂತೆ ರಸ್ತೆ ಗುಂಡಿಗಳು (Potholes) ಸೃಷ್ಟಿಯಾಗುತ್ತವೆ ಮತ್ತು ಕಾಮಗಾರಿಗಳು ದಿಢೀರನೆ ನಡೆಯುತ್ತವೆ. ವಿಶೇಷವಾಗಿ ಮಳೆಗಾಲದಲ್ಲಿ ನೀರಿನಿಂದ ತುಂಬಿದ ಗುಂಡಿಗಳನ್ನು ಲೈಡಾರ್ (LiDAR) ಅಥವಾ ಕ್ಯಾಮೆರಾಗಳು ಗುರುತಿಸುವುದು ಬಹಳ ಕಷ್ಟ.
3. ಸಂವಹನ ಮತ್ತು ಮಾನವ ವರ್ತನೆ (Communication & Human Behavior)
ವಿದೇಶಗಳಲ್ಲಿ ಸಂಚಾರ ನಿಯಮಗಳ ಪಾಲನೆ ಯಾಂತ್ರಿಕವಾಗಿರುತ್ತದೆ. ಆದರೆ ಭಾರತದಲ್ಲಿ ಚಾಲನೆ ಮಾಡುವುದು ಒಂದು ‘ಸಾಮಾಜಿಕ ಸಂವಹನ’ (Social interaction) ಇದ್ದಂತೆ.
ಇಲ್ಲಿ ಚಾಲಕರು ಕಣ್ಣಿನ ಸಂಪರ್ಕ (Eye contact), ಕೈ ಸನ್ನೆಗಳು, ವಾಹನದ ಮೂತಿಯನ್ನು ಸ್ವಲ್ಪ ಮುಂದೆ ತಳ್ಳುವುದು ಮತ್ತು ಮುಖ್ಯವಾಗಿ ‘ಹಾರ್ನ್’ (Honking) ಮಾಡುವ ಮೂಲಕ ಪರಸ್ಪರ ದಾರಿ ಕೇಳುತ್ತಾರೆ ಮತ್ತು ನೀಡುತ್ತಾರೆ.
AI ಗೆ ಸವಾಲು: AI ವ್ಯವಸ್ಥೆಗಳು ಕ್ಯಾಮೆರಾ ಮತ್ತು ರೇಡಾರ್ಗಳನ್ನು ಅವಲಂಬಿಸಿವೆಯೇ ಹೊರತು, ಮಾನವನ ಈ ಸೂಕ್ಷ್ಮ ಸನ್ನೆಗಳನ್ನು ಮತ್ತು ವಿಭಿನ್ನ ರೀತಿಯ ಹಾರ್ನ್ಗಳ ಹಿಂದಿನ ಉದ್ದೇಶವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಷ್ಟು ಬುದ್ಧಿವಂತಿಕೆಯನ್ನು ಇನ್ನೂ ಸಾಧಿಸಿಲ್ಲ.
4. ಸ್ಥಳೀಯ ಡೇಟಾದ ಕೊರತೆ (Lack of Localized Training Data)
ಪ್ರಸ್ತುತ ಜಗತ್ತಿನಲ್ಲಿರುವ ಬಹುಪಾಲು ಅತ್ಯಾಧುನಿಕ ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ (Computer Vision) ಅಲ್ಗಾರಿದಮ್ಗಳು ಅಮೆರಿಕಾ ಅಥವಾ ಯುರೋಪ್ನ ವ್ಯವಸ್ಥಿತ ರಸ್ತೆಗಳ ವಿಡಿಯೋ ಡೇಟಾದ ಮೇಲೆ ತರಬೇತಿ (Training) ಪಡೆದಿವೆ. ಭಾರತದ ರಸ್ತೆಗಳ ವಿಶಿಷ್ಟ ಹಾಗೂ ದಿಢೀರ್ ಬದಲಾಗುವ ಸನ್ನಿವೇಶಗಳನ್ನು (Edge cases) ನಿಭಾಯಿಸಲು, ನಮ್ಮದೇ ಆದ ಸ್ಥಳೀಯ ಡೇಟಾವನ್ನು ಬಳಸಿ AI ಅನ್ನು ಮರು-ತರಬೇತಿ (Re-training) ಮಾಡುವುದು ಅತ್ಯಗತ್ಯ.
ಮುಂದಿನ ದಾರಿ ಏನು?
ಭಾರತದಲ್ಲಿ ಚಾಲಕನೇ ಇಲ್ಲದ ಸಂಪೂರ್ಣ ಸ್ವಯಂಚಾಲಿತ (Level 5 Autonomy) ಕಾರುಗಳು ಬರುವುದು ಸದ್ಯಕ್ಕೆ ದೂರದ ಮಾತಾದರೂ, ಕ್ಯಾಮೆರಾ ಮತ್ತು ರೇಡಾರ್ ಆಧಾರಿತ ADAS (Advanced Driver Assistance Systems – ಅಡ್ವಾನ್ಸ್ಡ್ ಡ್ರೈವರ್ ಅಸಿಸ್ಟೆನ್ಸ್ ಸಿಸ್ಟಮ್ಸ್) ತಂತ್ರಜ್ಞಾನವು ಭಾರತೀಯ ಕಾರುಗಳಲ್ಲಿ ವೇಗವಾಗಿ ಅಳವಡಿಕೆಯಾಗುತ್ತಿದೆ.
